36氪获悉，9月21日，华为云码道CodeArts代码智能体面向鸿蒙开发者进行全面升级，上线“鸿蒙编码大模型+码道鸿蒙智能体+鸿蒙开发者实践中心”三大核心能力，打造全球首个且唯一专为鸿蒙生态打造的AI编码智能体。目前，鸿蒙已注册开发者已超过1100万。

“都得抢着早发布、早开卖，”一位前手机厂商战略研究员说，“之前为了避开iPhone，安卓新品发布普遍安排在10月。”

手机厂商之间“神仙打架”，既有出于“黄金周”、“双11”假期的考虑，也有国产高端旗舰与iPhone正面对决的因素，也还有小米17 Pro的成功方法论。

“去年只有苹果和小米在9月发布，小米正好出个背屏，天天拿来宣传，整整早卖了一个月，今年大家都吸取了‘教训’。”前述研究员说。

不过，无论是哪一点，都足以说明智能手机市场竞争的激烈程度。

整个9月份，华为和小米同日发布新品，前者拿出了新一代三折叠Mate XT2，小米则推出中折叠旗舰小米18 Fold。随后苹果发布Phone 18 Pro系列以及首款折叠屏iPhone Duo。

如果将OPPO、vivo等计算在内，整个9月的新品发布接近10场。

价格上，高端旗舰价格普遍超过10000元，部分甚至冲到20000元。与此同时，更底层的芯片也升级到了最新一代：包括华为的麒麟9050、小米玄戒O3、苹果A20 Pro、联发科天玑9600 Pro、高通第六代骁龙8至尊版系列。

可以说，手机厂商们带着内存涨价的压力，参与到了2nm芯片争夺战当中，这中间还有一个非常明显的变化：芯片厂商正在集体“All in AI”。

2nm争夺战

关于2nm芯片，2025年联发科是最早进行传播的。联发科CEO蔡力行先是在2025年Computex预告，然后9月份对外官宣全球首个2nm SoC启动流片。

流片领先并不代表着量产领先。

真正的2nm手机芯片战，直到今年9月随着苹果A20 Pro的亮相才正式开启。“采用最新的2nm工艺技术打造，A20 Pro为移动计算树立了全新的标杆。”苹果在官方新闻稿中强调。

从量产上市的时间上，苹果是当仁不让的2nm首发，而从客户体量来说，苹果也必然会拿到2nm的首发权益。

“台积电今年2nm晶圆产能差不多100K，苹果占了其中70K左右。”长期跟踪台积电产能的蓉和半导体咨询CEO吴梓豪说，“联发科出货量不大，（天玑9600 Pro）这颗芯片几千片晶圆就够了，高通大概10K左右，再加上AMD差不多20K，总共在100K左右。”

海通国际资深分析师Jeff Pu此前预测，苹果今年Q3、Q4要为包括iPhone Duo在内的新品备货7800万台，不考虑装配报废的情况，单月对A20 Pro的理论需求是1300万颗。

知名评测机构极客湾测算的数据显示，苹果A20 Pro的die size为98.8mm²。假设台积电2nm的良率为85%，以此推算，A20 Pro这颗手机芯片对产能的需求预计在25K左右，而剩下45K的需求，则会被分配给同样是2nm的M6芯片。

从客户的重要性角度来看，受AI需求的影响，苹果已经从台积电第一大客户的位置上滑落，遭遇英伟达反超，但GPU并不追求最尖端的工艺，现阶段苹果依旧是2nm的核心客户，这在过去多年都是如此。而苹果之所以能够拿到这样的权益，既有张忠谋时代与苹果建立起来的深度合作关系，也有iPhone在全球市场销量作为需求支撑。

联发科虽然高调官宣流片，但手机SoC对2nm的需求量要小得多。按照5K片晶圆的需求量、134.02mm²的die size以及85%的良率来推算，单月天玑9600 Pro的出货量大概在200万颗。

值得注意的是，联发科也在联合谷歌设计推理专用的2nm TPU，预计2027年底出货，这个后续进入量产环节，有可能大幅拉升联发科对台积电2nm的需求。

吴梓豪说：“虽然高通、联发科、苹果同台发布2nm芯片，但联发科的高端相对较少。尽管它现在是全球最大的手机芯片出货商，对应的是颗数最多，也都是中低端为主。”

根据Counterpoint Research的跟踪数据，到2026年第二季度，联发科在全球智能手机芯片市场份额为31%，环比一季度下滑2%。作为对比，高通和苹果分别为23%和19%。

另一个值得关注的话题就是，2nm虽然是今年主流工艺制程，但它和内存一样，价格也涨了。也因为这个原因，高通在二季度的业绩会上就预告，从9月1日开始涨价。

最终，晶圆代工涨价，也会像内存涨价一样，传导至终端手机上。消费者最直观的感受就是：手机价格又涨了。

涨价、扎堆发布也还折射出一个非常严肃的现实：存量竞争。

“整体大盘不好。”前金立手机副总裁俞雷说，“销售额其实没跌，跌的是台数，这几年都是如此。”

在俞雷看来，这种涨价一方面与供应链价格上涨有关，另一方面也与供应链国产替代、技术进步有关，一个直观的变化就是，屏幕，CIS，存储，射频，电源管理，这些都在逐步实现国产替代，进而让国产手机进化加速，最终将“日系”“韩系”手机打得遍体鳞伤，

国产进化的另一个点，也就是我们接下来要说的手机芯片自研。

自研新势力

以高通、联发科为代表的2nm芯片是一种解决方案，以苹果、华为和小米为代表的自研是另一种解决方案。

苹果自研芯片之路，充分证明了这条路径的价值，华为、小米也成为自研这条路上的践行者。不过，由于代工受限，相比苹果，华为和小米的自研之路更显得困难重重，但某种程度上又显得难能可贵。

9月7日，华为正式发布Mate XT2三折叠，搭载基于韬定律和逻辑折叠的麒麟9050 Pro芯片。这款芯片采用了W2W（Wafer to Wafer，晶圆对晶圆）技术，将传统的单层平面逻辑单元改为双层垂直堆叠，俗称在芯片里加装电梯。

逻辑折叠，是华为自研芯片在工艺制程受阻的情况下，一种全新的解题思路，是“韬定律”落地探索的重要成果。巧合的是，小米也采用了相同的W2W方案——推出了6nm工艺的玄戒O100芯片。

华为和小米的共性在于：先进封装为芯片设计厂商打开了压榨性能的大门。

不过，两家的差别也很明显：华为的W2W聚焦的是逻辑单元的堆叠，而小米的W2W是逻辑单元和存储单元堆叠。前者主要解决的是物理制程微缩瓶颈，后者想要改善的是内存墙造成的数据搬运效率瓶颈。

苹果、高通和联发科这些主流手机SoC今年都上了2nm，小米目前还停留在3nm，这里面其实有多重因素，我们过去讨论过很多，其中一个关键因素是GAA架构的限制。

当前的2nm制程，三星和台积电都切换到了GAA架构，带这一架构对应的设计软件，晶圆代工都受到严格限制。

“小米最多就能用3nm。” 前述前战略研究员说。

实际上，从规模的角度来说，现阶段的玄戒芯片，即便上2nm也未必是一件划算的生意，根源就在于出货量的规模化。

以苹果为例，单iPhone这个产品线，每年对自研芯片的需求量就在上亿颗的水平。目前，玄戒O1的出货量也刚过100万颗。我们去年也做过类似测算，真正能够产生规模化效益，可能需要出货量冲到1000万颗。从这个角度来说，国产自研芯片才刚刚开始。

但其实小米在这个3nm的玄戒O3上探索的思路，远比粗暴导入2nm更有价值。

根据小米披露的数据，玄戒团队对晶体管底层最小逻辑单元Standard Cell进行了重构，从O1的480个提升至当前O3的2400个。同时，玄戒O3采用了称之为Channelless的沟道消除技术，取消了过去SoC为了布置BUF单元来加强供电而预留的沟道，同时将BUF单元移动至其他模块，实现5%的晶体管密度提升。

如果让我来说它的价值，过去摩尔定律靠晶圆厂工艺制程迭代，实现单位面积晶体管数量18个月/24个月翻一倍。现在工艺制程进化速度放缓，很多人说“摩尔定律”已死，“摩尔定律”失效，但华为和小米，在制程受限的背景下，用另外一种方式，让“摩尔定律”焕发青春。

中国的芯片设计团队非常了不起，这也要承认。

都在All in AI

不管是苹果的2nm，还是玄戒的3nm，今年有一个非常明显的共识——AI已经融入到各个核心的IP当中，CPU、GPU、ISP等不同核心都参与到AI推理任务的分摊中来。SoC正在从 “一颗单独NPU负责全部AI” 走向全子系统异构AI算力网络。

从这个角度说，All in AI，一点也不为过。

在这种算力网络下，大模型重负载依然优先跑NPU，短延迟轻AI任务直接跑CPU‑AI或者 GPU‑AI，分担碎片化、低延迟的小 AI 任务，减少片上的数据搬运开销。

此前，玄戒O3沟通会上，玄戒团队披露的数据显示：CPU包含了两个新的矩阵计算引擎单元，采用SME2指令集，提供3.5TOPS的算力，处理轻量级的AI工作负载。GPU子系统中采用了8核心NX神经加速单元，总算力36TOPS，可实现在GPU内部对图像渲染的AI超分和插帧的能力。

“大家都在做布局尝试，当前手机上的场景/价值上还不足，”一位资深芯片设计专家告诉腾讯科技。

“从技术演进趋势上说，GPU内嵌AI是明确的，看NV就知道，游戏场景上需要实时性强的场景也合理。CPU内嵌AI是做些小处理，可能大家还是看苹果干了以及ARM想推这个能力。这些都是确定的方向，具体方案上还可以不同。”

根据此前披露的信息，苹果采用的路线是CPU (AMX 硬单元)+GPU (内置神经网络加速器)+ 独立 NPU，三级异构AI算力。联发科的底层IP和玄戒O3同源，全计算子系统都增加专用 AI 硬件单元，是今年手机SoC里面走得最彻底的全模块AI化。

前述战略研究员也认同向苹果“抄作业”的思路。

“苹果CPU核心中的AMX主要做向量计算和矩阵加速，跑简单算法以及一些RNN模型，但不能并行计算，高通和ARM在去年就支持了QMX/SME，基本上就是照着苹果这个功能来做的。”

在他看来，这种设计理念核心是为了优化计算“成本”。“NPU计算需要计算核心传输调度任务，这里面有不少的成本。所以，就一些简单的计算能在本地（核心内部）进行了。”

将AI任务“就近计算”，一方面提高了效率，另一方面缩减了开销，将会带来整机能效比的提升，也有机会让手机厂商基于不同的IP的AI特性，探索个性化的能力。“OPPO做了一些主动智能的投入，可能会做出差异化来。”前述战略研究员说。

趋势和方向是确定的，探索则还处于早期，路线也没有统一。

“当前做得都还不太好，但以后AI融合可能会越来越多，（具体方案上）是在GPU内部内嵌AI，还是GPU+GPU外的NPU做紧密协同，都可以的。”前述芯片设计专家说。

也就是说，All in AI声量很大，行业也有共识，但真正让消费者为这些创新额外买单的，是可靠、稳定、高频使用的场景和能力。

本文来源：腾讯科技

出品 | 虎嗅科技组

作者 | 梁卡尔

编辑 | 苗正卿

头图 | 华为提供

“华为的目标是成为英伟达”。

9月14日，华为心声社区公开了一份监事会主席郭平与新员工的座谈纪要。在被问及华为对大模型的战略定位时，郭平罕见地给出了一个直白的回答。

他同时划定了边界。华为的核心优势不在于拥有自研大模型，而在于支持客户构建优秀的大模型，确保全球各种大模型都能在华为昇腾、鲲鹏、超节点及集群上高效运行。

三天后，9月17日，华为全联接大会2026上，昇腾960超节点、灵衢UnifiedBus互联协议、CANN开源生态、华为云Agentic Cloud、SCALE伙伴体系陆续发布。把这些发布串起来看，郭平那句话不是一次内部对新员工的激励，而是一份有产品路线图支撑的战略说明书。

问题是，这份说明书完成度有多高？目前来看，华为的策略是一块块把版图拼好。

从采购方到竞争者

华为对英伟达的追赶，不是从昇腾发布才开始的。

2020年之前，华为几乎所有芯片都从美国采购，一度是英伟达在中国最大的客户之一。

当时，华为正承受着高昂的成本压力：其智能云硬件平台Atlas在市场拓展上面临的最大阻碍，就是服务器动辄六七十万元的售价，其中仅英伟达的算力卡就占去了40万元。高昂的成本导致这一代产品在市场上的销量寥寥无几，多靠华为内部消化。

然而，转向自研的线索，早已草蛇灰线。2016年CES期间，华为海思总裁何庭波与英伟达CEO黄仁勋有过一次交谈。彼时，英伟达宣布淡出手机芯片市场，何庭波试探性地询问能否将相关技术授权给华为，遭到了黄仁勋当场拒绝。

这次拒绝让何庭波坚定了布局AI芯片的决心。回国后接触了寒武纪，并选择了其芯片产品，但听完陈天石的演讲后，何庭波判断华为内部同样拥有中科大少年班背景的人才，随即把开发AI处理器的任务交给了廖恒。2017年，代号为“达芬奇”的内部AI芯片预研究项目正式立项。

如今，廖恒已是华为半导体首席科学家。他曾带领团队系统梳理了过去十多年的深度学习成果，发现了一条完全不同的道路。当时，英伟达走的是“积木拼装”的CMP（多芯粒异构封装）路线。其核心优势在于极其聪明的“多线程协同指挥系统”，能让成千上万个线程同时排队跑。但这更像一个全能选手，并没有将AI最核心的计算优化到极致。

华为想得很清楚，如果像素级模仿英伟达，做出来的产品顶多价格略低，性能却未必跟得上。于是，华为选择了DSA（面向特定领域优化的专用架构）的路线。

传统CPU走的是串行处理，一次算一个。英伟达GPGPU走的是大规模并行，让成千上万个线程同时跑。华为两条都没选，而是把计算单元改造成了三维立体的方块阵列。这种设计，让芯片每瓦功耗能换来的AI算力大幅提升。

2018年上半年，自研昇腾芯片项目正式启动，主要瞄准数据中心推理卡和边缘计算两个场景，明确对标英伟达GPU。

但华为很快发现，光有芯片不够。此前为了自主完成二次开发，华为打造出支持资源池编排、完成二次封装的CUDA层，实现突破。据方兴东所著《晟腾崛起》一书中讲述，当华为向英伟达申请授权时，被英伟达拒绝了。原因是，这不仅触碰了英伟达靠卖硬件赚钱的核心商业利益，还需要英伟达团队贴身参与服务，增加了成本。

这条路走不通，华为决定换一种打法。不跟英伟达比拼单一产品的参数和性能。华为把产品形态改为一台机器、一个机架、一个集群、一个规模化数据中心。这给了华为更大的设计自由度，也避开了单卡竞争的正面战场。

但想成为“中国英伟达”的并不只有华为。

2025年底到2026年初，摩尔线程、沐曦股份、壁仞科技、天数智芯四家国产GPU公司密集完成上市，燧原科技也在2026年9月登陆科创板。媒体给它们贴上了同一个标签，“中国版英伟达”。摩尔线程创始人张建中曾任英伟达中国区总经理，壁仞科技CTO洪洲曾主导华为海思自研GPU，沐曦的核心团队也有英伟达和AMD背景。

但“中国英伟达”这个标签底下，走的是不同的路。四小龙中，摩尔线程、沐曦、壁仞采用GPGPU路线，兼容CUDA生态，让现有代码尽量跑起来；燧原科技和华为昇腾一样选择了DSA路线，但燧原科技选择不兼容CUDA，所以需要重建自己的软件栈。

壁仞科技招股书引用的灼识咨询数据显示，2024年英伟达和华为海思（根据附注线索推断）占据了中国智能计算芯片市场94.4%的份额。在这极高的头部集中度下，其他国产AI初创势力在2024年尚处于起步或商业化前期，“四小龙”合起来在中国AI芯片市场的份额不到2%，而华为昇腾已经是其中份额最大的国产厂商。

也就是说，喊着同一个口号的公司很多，但真正在系统级、集群级与英伟达正面交锋的，目前只有华为一家。

七年之后，昇腾960是这套系统级打法的第一个完整落地成果。

速度在追赶，代差仍存在

昇腾960系列芯片的提前亮相成为这次大会的核心话题。轮值董事长汪涛在大会上宣布该系列芯片“提前研发就绪”， 并披露了它提速后的发布路线图。

昇腾960DT面向训练，比原计划提前三个季度，2027年第一季度就绪。960PR面向推理，提前一个季度，2027年第三季度就绪。后续970、980将保持一年一代的迭代节奏。

以华为公布的性能参数来看，昇腾960DT的核心算力和存储能力较上一代翻倍。综合多家行业数据分析，其性能高于英伟达2023年发布的H200 SXM，但低于2025年下半年开始发货的B300。前者是英伟达上一代旗舰，后者是它当前的主力产品。这意味着，昇腾960的单卡水平大致相当于英伟达两年前的产品，还没赶上它现在的主力。

图片来源：华为提供

华为没有回避单卡差距，选择了另一条路径来对冲。

华为内部曾对算力效率做过比较。在单位有效面积里，华为的算力暂时达不到英伟达顶尖水平，只能通过服务器、集群等方式把整机算力密度做上去，代价是功耗高。这种打法逼着华为去思考大模型到底需要什么样的硬件，其结论是，OpenAI和英伟达在底层紧密联动，就像当年的微软和英特尔，所以华为必须咬住英伟达。

华为自认为比英伟达有一个优势，可以把CPU和GPU彼此相通、协同。但协同的前提是互联，而互联恰恰是英伟达布局更早的领域。英伟达推出NVLink技术，还收购了Mellanox，比其他公司提早三年预判到了互联的重要性。所以ChatGPT-3.5爆发的时候，华为在互联领域已经慢了1至2年。

差距摆在那里，华为策略是在存储发力，做定制化布局。据《晟腾崛起》所述，华为内部对英伟达的竞争策略，被概括为一句话，像蛇一样用长链条布局和迂回方式咬住对手。

直到2023年上半年，910B芯片回归，华为才解决了此前架构性缺陷，同时开放底层能力，让用户能基于集群计算提供的工具自行开发。到6月，推理芯片性能达到了英伟达的1.6至1.7倍。这是“咬住”策略的第一个可见成果。

2026年初，华为高层召开昇腾业务研讨会，对“超节点+集群”解决方案给予重视，明确昇腾的战略意义，并决定满足头部客户的大规模算力需求，通过一体机业务解决中小算力场景。至此，中国市场能够实现大规模商用，并且稳定支撑上万个节点集群运行的AI芯片，只有华为昇腾。

这背后的逻辑很清楚，华为的竞争力不在单卡，在集群。

用超节点绕开单卡瓶颈

全联接大会上，汪涛正式发布了采用NPO技术的昇腾960超节点，并公布将在2027年上市。同时，他在会上提到，此前的昇腾910C超节点已部署超1000套，昇腾950超节点已规模商用。

昇腾960超节点到底有多能打？一个超节点，最多塞进4096张卡，算力直接干到8 EFLOPS FP8、16 EFLOPS FP4，内存容量1PB。这相当于把512台普通8卡服务器“拧成”一台机器来用。华为还推动用5500个自研Hi-ONE光引擎替换4.8万颗800G光模块，功耗降低超过550千瓦，无故障运行时间翻倍，一年内非计划停机不到18小时。

为了解决卡多了“堵车”的问题，华为通过灵衢UnifiedBus将十余种互联协议统一为灵衢协议。带宽从百GB级冲到TB级，延迟从7微秒压到2微秒。全局内存统一编址，4096张卡的内存变成一个共享大池子，谁都能直接访问，不用来回搬数据。

此外，多个超节点再组队，通过二层CLOS四平面组网，最大能拉到51.2万卡。再加多轨道拓扑，理论上能干到100万卡。

图片来源：虎嗅拍摄

汪涛解释，“什么叫超节点？必须是超节点内跨物理节点的内存可以统一编址，意味着任何一个AI芯片可以访问超节点内的所有内存共享池。内存不能统一编址的不是超节点。”

在他的主题演讲中，华为首次公开了一组来自华为马尔科夫实验室的仿真数据。由4K超节点组成的10万卡集群，相比由8卡服务器组成的同规模集群，MFU（模型算力利用率）提升2.75倍。汪涛同时透露，目前业界10万卡集群的MFU普遍不足30%，约七成时间处于故障及故障修复状态。MFU每提升1个百分点，10万亿参数大模型的训练周期可缩短约3天。

但值得注意的是，2.75倍是仿真数据，不是实测。目前尚未有百万卡级集群在实际生产训练中的验证数据公开。汪涛自己也承认，“100万卡只是技术指标，实际部署中10万卡可以基本满足需求”。

也就是说，系统级路径的逻辑是清晰的。在单芯片制程受限的前提下，用更大规模的互联和集群协同来弥补单卡差距。但代价是更高的系统复杂度和组网成本，收益是绕开了制程瓶颈。

生态在扩大，迁移成本仍是门槛

英伟达最深的护城河是CUDA，华为对此有清醒认知。但汪涛在演讲中宣布“昇腾已跨越生态拐点”。

起点是华为内部一场长达数年的观念转折。华为是做电信和硬件出身的，过去习惯了“卖硬件赚钱”的封闭逻辑，内部专家一度对把核心软件开源“心里没底”。直到轮值董事长徐直军力排众议，先是拍板开源了MindSpore框架，后来又宣布CANN异构计算架构全面开源开放，这才一步步把昇腾从封闭硬件变成开放生态。

六年之后，数据上看，生态确实在改善。全联接大会上，华为披露，CANN开源社区月活开发者突破5200名，其中非华为的外部开发者占比达到61%。昇腾成为了首个被全球主流AI框架PyTorch官网直接支持并提供安装分支的中国算力平台，基于昇腾+CANN的原生训练模型已超过40个。

但“跨越拐点”不等于“迁移零成本”，业界绝大多数代码都是基于英伟达环境写的，迁移成本依然高昂。

多家媒体报道援引参与迁移的工程师估算，对于DeepSeek这类开源模型，借助现有生态支持，通常只需额外增加2至3名工程师、耗时约一个月便可完成训练适配，但对于仅公开权重、不开放源码的商业模型，则可能需要约10名工程师额外投入6个月以上。

目前，中国AI产业的国产替代呈现出“推理先行、训练滞后”的局面。在难度较低的“推理侧”，昇腾的适配相对容易，950超节点也已规模商用。但到了核心的“大模型训练侧”，迁移成本的高低依然取决于模型的开放程度。

针对这一门槛，华为针对性地推出了 “MindSpeed-LLM Agent” 以及自动调优工具，官方强调其能将跨版本适配工作从数天压缩至1小时，正是为了用工具链去填平CUDA的生态鸿沟。

华为不是复制英伟达

市场给出了一个阶段性答案。研究机构Bernstein Research预测，2026年华为将占据中国AI芯片市场50%的份额，而英伟达的份额将从2025年的约40%萎缩至8%左右。另一家研究机构TrendForce的预测更激进，认为国产AI芯片在国内高端市场的份额将接近90%。

此前，英伟达CEO黄仁勋已公开确认，该公司在中国AI加速器市场的份额降至0%，并在采访中直言，放弃中国这样体量的市场“在战略上并不合理”。

但这些数据只是反映了地缘政治驱动下的国产替代进程，而非全球技术竞争格局的彻底扭转。英伟达在中国的退场，更多源于外部的出口管制政策，并非产品核心竞争力的直接易主。

回到郭平那句话。华为在ICT与计算领域的目标是成为英伟达，但华为选择的突围路径与英伟达有本质不同。英伟达走的是“硬件极致优化”路线，用全球最先进的制程、最强大的单卡，以及最成熟的CUDA生态锁定全球市场。华为走的是“系统创新突围”路线，在单卡性能受制于制程的前提下，用超节点架构、光互联技术、集群规模和开源生态来构建竞争力。

这条路也有代价。关于制程工艺，和国内一些“28纳米就满足”的声音不同，华为明确了7纳米是关键底线。华为发布的白皮书显示，昇腾950系列基于全栈自主可控的制造工艺。这意味着，其在无法直接角逐3纳米、2纳米等先进制程的情况下，转向功耗优化、面积优化、3D堆叠等方向建立差异化。

何庭波发表的“韬（τ）定律”其核心便是如此，以时间微缩替代几何微缩，以系统性降低时间常数为终极目标。华为正在将战场从“单点制程”的比拼，强行拽入“全栈系统优化”的维度。

为了支撑这条系统级路线，全联接大会期间，华为宣布，未来三年将再投入50亿元建设开源开放算力新生态。然而，面对CUDA的生态惯性，华为与之仍有相当距离。

华为不是英伟达，也无法复制另一个英伟达。核心问题不在于华为能不能造出一颗性能指标更强的芯片，而是两件事，CANN的迁移成本是否降到让开发者愿意主动作出选择，以及百万卡集群在实际训练中是否能被彻底验证可行性。

这两个问题的答案，华为还需要两三年的时间去回答。

2026年9月21日，华为云码道CodeArts代码智能体面向鸿蒙开发者进行全面升级，上线“鸿蒙编码大模型+码道鸿蒙智能体+鸿蒙开发者实践中心”三大核心能力，打造全球首个且唯一专为鸿蒙生态打造的AI编码智能体。

华为公有云总裁胡玉海表示：“华为云码道CodeArts代码智能体凝练华为多年研发经验，更懂研发工程实践，为开发者带来了新的开发体验。面向鸿蒙生态，华为云推出新模型、新工具、新实践，为鸿蒙开发者一站式打通‘从想法到上架’全流程，致力于成为更懂鸿蒙开发的AI编码智能体。”

▲华为公有云总裁 胡玉海

【升级一】鸿蒙编码大模型，更懂鸿蒙开发

依托华为云独有的鸿蒙增强训练体系，鸿蒙编码大模型融合超百万鸿蒙原素材，深度学习优秀鸿蒙项目代码库与组件资产（含开源样例、鸿蒙API、开发规范及UI/UX布局模板），实现与ArkTS语言及鸿蒙开发范式的深度适配：

 训练数据“更全”：10万+鸿蒙高质量数据，高频鸿蒙开发场景组件100%覆盖，囊括鸿蒙API、开发规范、代码库及组件资产；

代码生成“更准”：千行代码错误率降低80%以上，从根本上减少开发者调试负担；

 编译通过“更稳”：一次编译通过率提升78%以上；

Token消耗“更省”：单次任务Token消耗降低20%以上。

目前，鸿蒙编码大模型已正式上线华为云码道、华为云MaaS模型广场，可供企业用户方便调用。

【升级二】鸿蒙编码智能体，提供完整提供鸿蒙开发元子能力

鸿蒙编码智能体能一站式覆盖从需求梳理、方案设计、代码编写、到编译构建全流程，减少开发者反复介入，实现鸿蒙应用端到端开发。

同时智能体中内置了DevEco CLI，可以直接调用鸿蒙端侧模拟器，让开发结果即时可见、可调，这个属于业界首创的能力。可实现鸿蒙应用天然适配各类手机、平板等终端设备尺寸，实现全鸿蒙端侧形态自由选择。

鸿蒙编码智能体还内置了鸿蒙知识库、三方库转化、小程序转元服务等技能，且文档、API、最佳实践会进行实时更新，让开发者开箱即用。

【升级三】码道鸿蒙开发实践中心，加速开发者能力跃迁

   多场景实践案例：汇聚内部专家和生态开发者的优秀实践，提供从入门、进阶、到企业级的实战案例，用更容易理解的方案，让开发者看懂思路、学会方法。

   云端实践中心：告别复杂环境配置，打开浏览器即可开发、编译、打包与测试。实践中心将案例、代码仓和开发环境串联在一起，开发者看到感兴趣的案例，可一键直达云端环境进行实践操作，真正实现“学以致用”。

目前，鸿蒙已注册开发者已超过1100万。从鸿蒙应用全新开发到存量项目持续迭代，从鸿蒙元服务轻量化开发到跨OS应用安卓-鸿蒙迁移，鸿蒙开发者普遍面临语法新、规范严、调试难等开发门槛高的挑战。

面向鸿蒙开发者，华为云码道以“鸿蒙编码大模型+码道鸿蒙智能体+鸿蒙开发者实践中心”三大核心能力，推动鸿蒙应用开发从“能用”走向“好用”，帮助开发者释放更多创造力。鸿蒙生态的星辰大海，正从每一位开发者的高效编码开始。

雷峰网 雷峰网